结合深度学习的在线社交信息处理方法及服务器与流程

1.本技术涉及深度学习和在线社交网络技术领域，特别涉及一种结合深度学习的在线社交信息处理方法及服务器。


背景技术：

2.随着通信技术的飞速发展，类型各异的在线社交网络（online social networks，osns）迅速普及。在线社交网络的出现，在一定程度上丰富了用户的社交需求。不同于传统的信息媒体，在社交网络中，人们不仅是信息的浏览者，而且可以发布以及传播信息。在互联网时代，在线社交网络己然成为人们获取信息、传播信息以及沟通感情的重要媒介。
3.随着在线社交网络的广泛普及，社交用户的规模呈爆炸式增长，由此带来的一系列社交互动安全性问题不得不引起人们的重视。


技术实现要素：

4.本技术实施例之一提供一种结合深度学习的在线社交信息处理方法，所述方法包括：当检测到有社群话题参与申请加载到当前待进行处理的社交参与申请序列中时，获取当前话题互动日志和历史话题互动日志，其中，所述当前话题互动日志和所述历史话题互动日志皆包含目标话题参与应答反馈和目标社群话题参与申请；基于所述当前话题互动日志生成当前社交情况分类信息，并对所述当前社交情况分类信息进行话题倾向识别，以得到当前话题倾向信息，其中，所述当前话题倾向信息包括所述当前话题互动日志中的话题参与倾向和话题应答倾向；基于所述历史话题互动日志生成历史社交情况分类信息，并对所述历史社交情况分类信息进行话题倾向识别，以得到历史话题倾向信息，其中，所述历史话题倾向信息包括所述历史话题互动日志中的话题参与倾向和话题应答倾向；对所述当前话题倾向信息和所述历史话题倾向信息进行分析，得到目标话题参与应答反馈和目标社群话题参与申请的双向行为检测结果；将所述双向行为检测结果与预设异常话题警示结果进行比对，并在所述双向行为检测结果满足所述预设异常话题警示结果所对应分析条件时，判定所述目标社群话题参与申请在当前话题互动时段为存在风险的话题参与申请。
5.优选地，所述基于所述当前话题互动日志生成当前社交情况分类信息，并对所述当前社交情况分类信息进行话题倾向识别，以得到当前话题倾向信息的步骤，包括：按照预设话题事件分组记录对所述当前话题互动日志进行处理，得到当前社交情况分类信息；对所述当前社交情况分类信息进行申请标签识别，得到所述当前社交情况分类信息中的当前话题互动消息，其中，所述当前话题互动消息包括目标社群话题参与申请和目标话题参与应答反馈；
获取所述当前话题互动消息在所述当前社交情况分类信息中的话题倾向，得到当前互动状态话题倾向；基于所述预设话题事件分组记录将所述当前互动状态话题倾向映射到所述当前话题互动日志中，得到当前话题倾向信息。
6.优选地，所述预设话题事件分组记录包括当前分组记录和历史分组记录，所述当前话题互动日志包括社区团购运营日志，所述按照预设话题事件分组记录对所述当前话题互动日志进行处理，得到当前社交情况分类信息的步骤，包括：将所述当前话题互动日志按照当前分组记录进行分解，得到当前分解结果；将所述当前话题互动日志按照历史分组记录进行分解，得到历史分解结果；基于所述社区团购运营日志和所述当前分解结果对所述历史分解结果进行全局化处理，得到多组全局化处理结果；确定出所述多组全局化处理结果中包含所述社区团购运营日志的至少一组目标全局化处理结果，并将所述至少一组目标全局化处理结果与所述当前分解结果进行映射，得到当前社交情况分类信息。
7.优选地，所述当前互动状态话题倾向包括当前社交情况分类信息中的话题参与倾向和话题应答倾向，所述基于所述预设话题事件分组记录将所述当前互动状态话题倾向映射到所述当前话题互动日志中，得到当前话题倾向信息的步骤，包括：基于所述当前社交情况分类信息中的话题参与倾向和所述当前分组记录，得到当前话题互动日志中的话题参与倾向；基于所述当前社交情况分类信息中的话题应答倾向和所述历史分组记录，得到当前话题互动日志中的话题应答倾向，话题参与倾向和话题应答倾向组成当前话题倾向信息。
8.优选地，所述双向行为检测结果包括目标社群话题参与申请与目标话题参与应答反馈之间的话题配对情况、目标话题参与应答反馈的话题消息验证数据及目标社群话题参与申请的话题消息验证数据，所述对所述当前话题倾向信息和所述历史话题倾向信息进行分析，得到目标话题参与应答反馈和目标社群话题参与申请的双向行为检测结果的步骤，包括：对所述历史话题互动日志中的话题参与倾向和话题应答倾向进行分析，得到目标社群话题参与申请与目标话题参与应答反馈之间的话题配对情况；对所述当前话题互动日志中的话题应答倾向和所述历史话题互动日志中的话题应答倾向进行分析，得到目标话题参与应答反馈的话题消息验证数据；对所述当前话题互动日志中的话题参与倾向和所述历史话题互动日志中的话题参与倾向进行分析，得到目标社群话题参与申请的话题消息验证数据。
9.优选地，对所述历史话题互动日志中的话题参与倾向和话题应答倾向进行分析，得到目标社群话题参与申请与目标话题参与应答反馈之间的话题配对情况，包括：获取所述历史话题互动日志的目标关键词核对信息；根据所述话题参与倾向以及所述话题应答倾向，对所述目标关键词核对信息中的多个日志关键词分别进行第一会话倾向分析和第二会话倾向分析，得到第一倾向识别结果和第二倾向识别结果；
通过第一深度学习神经网络，对所述第一倾向识别结果进行话题行为偏好提取处理，得到包括有第一会话倾向的行为关键词校验结果；通过第二深度学习神经网络，对所述第二倾向识别结果进行衍生行为偏好提取，得到包括有第二会话倾向的潜在关键词校验结果；基于所述行为关键词校验结果和所述潜在关键词校验结果进行目标社群话题参与申请与目标话题参与应答反馈的会话倾向配对，得到所述目标关键词核对信息中与目标会话倾向相匹配的话题配对情况；所述目标会话倾向包括第一会话倾向和第二会话倾向中的至少一种，所述话题配对情况用于对目标社群话题参与申请与目标话题参与应答反馈之间的会话安全性进行检测；其中，所述对所述目标关键词核对信息中的多个日志关键词分别进行第一会话倾向分析和第二会话倾向分析，得到第一倾向识别结果和第二倾向识别结果，包括：对所述目标关键词核对信息中的多个日志关键词分别进行第一会话倾向分析，得到各个日志关键词中的第一会话倾向标签、以及各第一会话倾向标签所对应的初始局部倾向类型；基于各日志关键词中的第一会话倾向标签和相应的初始局部倾向类型，确定第一倾向识别结果；对所述目标关键词核对信息中的多个日志关键词分别进行第二会话倾向分析，得到第二倾向识别结果；其中，所述对所述目标关键词核对信息中的多个日志关键词分别进行第二会话倾向分析，得到第二倾向识别结果，包括：对所述目标日志关键词中的多个日志关键词分别进行延时会话描述分析，得到各日志关键词分别对应的延时会话描述标签；对所述目标日志关键词中的多个日志关键词分别进行话题检测条件识别，得到各日志关键词分别对应的检测条件识别结果；将对应于相同会话主题的延时会话描述标签和检测条件识别结果进行相关联；基于所述目标日志关键词中与目标延时会话描述标签相相关联的检测条件识别结果进行第二会话倾向分析处理，得到第二倾向识别结果；其中，所述通过第一深度学习神经网络，对所述第一倾向识别结果进行话题行为偏好提取处理，得到包括有第一会话倾向的行为关键词校验结果，包括：对所述第一倾向识别结果中的每个日志关键词分别进行倾向类型配对，得到每个日志关键词各自对应的不重复局部倾向类型；基于每个日志关键词中与相应不重复局部倾向类型对应的第一会话倾向标签的标签分组情况，分别进行标签清洗操作，得到更新后的第一倾向识别结果；对所述更新后的第一倾向识别结果进行阶段性清洗操作，得到多个包括有第一会话倾向的第一待定关键词核对信息序列；根据各所述第一待定关键词核对信息序列分别所属的实时话题类别，对属于相同实时话题类别的第一待定关键词核对信息序列进行核对信息校正，得到包括有第一会话倾向的行为关键词校验结果。
10.优选地，对所述当前话题互动日志中的话题应答倾向和所述历史话题互动日志中的话题应答倾向进行分析，得到目标话题参与应答反馈的话题消息验证数据，包括：获取所述目标话题参与应答反馈的目标反馈内容项目中至少一个反馈内容集的项目单元更新情况，所述目标反馈内容项目为存在更新异常反馈内容集的多端反馈内容项目；根据所述当前话题互动日志中的话题应答倾向和所述历史话题互动日志中的话题应答倾向，确定所述至少一个反馈内容集分别对应的至少一个当前反馈内容倾向和至少
一个历史反馈内容倾向；基于所述至少一个反馈内容集、所述至少一个当前反馈内容倾向以及所述至少一个历史反馈内容倾向的项目单元更新情况，提取所述至少一个反馈内容集的项目单元更新情况中具有动态校验状态的目标项目单元；利用反馈内容集挖掘网络对提取到的所述目标项目单元进行基于滑动平均的倾向挖掘处理，以得到所述至少一个反馈内容集的至少一个互动倾向挖掘结果，通过所述至少一个互动倾向挖掘结果确定所述目标话题参与应答反馈的话题消息验证数据；其中，所述基于所述至少一个反馈内容集、所述至少一个当前反馈内容倾向以及所述至少一个历史反馈内容倾向的项目单元更新情况，提取所述至少一个反馈内容集的项目单元更新情况中具有动态校验状态的目标项目单元包括：对于所述至少一个反馈内容集中任一反馈内容集，基于所述反馈内容集、所述反馈内容集对应的当前反馈内容倾向以及所述反馈内容集对应的历史反馈内容倾向的项目单元更新情况，提取所述反馈内容集的项目单元更新情况中具有动态校验状态的目标项目单元；其中，所述基于所述反馈内容集、所述反馈内容集对应的当前反馈内容倾向以及所述反馈内容集对应的历史反馈内容倾向的项目单元更新情况，提取所述反馈内容集的项目单元更新情况中具有动态校验状态的目标项目单元包括：基于所述反馈内容集、所述当前反馈内容倾向以及所述历史反馈内容倾向的项目单元更新情况，生成所述反馈内容集的全局目标项目单元；基于所述反馈内容集、所述当前反馈内容倾向、所述历史反馈内容倾向以及所述反馈内容集的至少一个关联内容集的项目单元更新情况，生成所述反馈内容集与所述至少一个关联内容集之间的至少一个局部目标项目单元；基于所述全局目标项目单元和所述至少一个局部目标项目单元，获取所述反馈内容集的项目单元更新情况中具有动态校验状态的目标项目单元。
11.优选地，将所述双向行为检测结果与预设异常话题警示结果进行比对，并在所述双向行为检测结果满足所述预设异常话题警示结果所对应分析条件时，判定所述目标社群话题参与申请在当前话题互动时段为存在风险的话题参与申请，包括：获取所述话题配对情况中的每个话题比对条目的比对判定指示，并根据比对判定指示对所述话题比对条目按条目类别进行差异化处理；根据所述比对判定指示得到所述话题配对情况中的每个条目类别的话题比对条目的条目类别关注度的量化汇总数据和条目相关度的量化汇总数据；根据所述话题比对条目关注度量化汇总数据和条目相关度的量化汇总数据，得到所述话题配对情况和设定配对情况的比对结果；其中，所述根据所述比对判定指示得到话题配对情况中的每个条目类别的话题比对条目的条目类别关注度的量化汇总数据和条目相关度的量化汇总数据，包括：根据所述比对判定指示得到所述话题配对情况中的每个条目类别的话题比对条目在所述话题配对情况内的话题干扰性检测信息；根据每个条目类别的所述话题比对条目在所述话题配对情况内的话题干扰性检测信息得到话题比对条目的条目类别关注度信息，作为所述条目类别关注度的量化汇总数据；根据所述比对判定指示得到每个所述话题比对条目与话题配对情况内的各个预设话题条目的指定相关系数；根据所述指定相关系数得到每个条目类别的所述话题比对条目在所述话题配对情况内的条目相关度分析结果，作为所述条目相关度的量化汇总数据；在所述比对结果表征所述话题配对情况存在配对异常时，确定所述目标话题参与
应答反馈的话题消息验证数据的消息验证置信度，在所述消息验证置信度小于第一设定置信度时，确定所述目标话题参与应答反馈在当前话题互动时段为存在风险的话题参与申请；在所述比对结果表征所述话题配对情况未存在配对异常时，确定所述目标社群话题参与申请的话题消息验证数据的消息验证置信度，在所述消息验证置信度小于第二设定置信度时，确定所述目标社群话题参与申请在当前话题互动时段为存在风险的话题参与申请。
12.本技术实施例之二提供一种人工智能服务器，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行上述的方法。
13.本技术实施例之三提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序在运行时实现上述的方法。
14.在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。
附图说明
15.本技术将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：图1是根据本发明的一些实施例所示的一种示例性结合深度学习的在线社交信息处理方法和/或过程的流程图；图2是根据本发明的一些实施例所示的一种示例性结合深度学习的在线社交信息处理装置的框图；图3是根据本发明的一些实施例所示的一种示例性结合深度学习的在线社交信息处理系统的框图，以及图4是根据本发明的一些实施例所示的一种示例性人工智能服务器中硬件和软件组成的示意图。
具体实施方式
16.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
17.应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
18.如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一
种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不组成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
19.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
20.为解决或者部分解决如背景技术所述的技术问题，发明人针对性地提出了结合深度学习的在线社交信息处理方法及服务器，通过对目标话题参与应答反馈和目标社群话题参与申请进行话题倾向识别，能够得到当前话题倾向信息以及历史话题倾向信息，进而确定出目标话题参与应答反馈和目标社群话题参与申请的双向行为检测结果。这样可以根据双向行为检测结果与预设异常话题警示结果对目标社群话题参与申请在当前话题互动时段是否为存在风险的话题参与申请进行准确及时地判定。如此，在目标话题参与应答反馈和目标社群话题参与申请对应的在线社交客户端进行社交话题互动之前能识别出存在风险的话题参与申请，从而及时响应对应的社交安防策略，在一定程度上削弱或消除存在风险的话题参与申请对在线社交网络造成的负面影响。
21.首先，对结合深度学习的在线社交信息处理方法进行示例性的说明，请参阅图1，是根据本发明的一些实施例所示的一种示例性结合深度学习的在线社交信息处理方法和/或过程的流程图，结合深度学习的在线社交信息处理方法可以包括以下step11
‑
step15所描述的技术方案。
22.step11，当检测到有社群话题参与申请加载到当前待进行处理的社交参与申请序列中时，获取当前话题互动日志和历史话题互动日志，其中，所述当前话题互动日志和所述历史话题互动日志皆包含目标话题参与应答反馈和目标社群话题参与申请。
23.在本技术实施例中，人工智能服务器对应的当前待进行处理的社交参与申请序列用于缓存不同的社群话题参与申请，这些社群话题参与申请可以是不同在线社交客户端向其他在线社交客户端发起的，例如在线社交客户端client
‑
a向在线社交客户端client
‑
b发送的社群话题参与申请可以是application
‑
ab，在线社交客户端client
‑
c向在线社交客户端client
‑
d发送的社群话题参与申请可以是application
‑
cd，以此类推。当前话题互动日志和历史话题互动日志可以按照时段进行划分，例如，可以将本月内的话题互动日志确定为当前话题互动日志，将上个月的话题互动日志确定为历史话题互动日志。进一步地，目标社群话题参与申请可以是人工智能服务器根据相关识别策略确定出的，目标话题参与应答反馈是和目标社群话题参与申请对应的。
24.例如，相关识别策略可以是根据社群话题参与申请的发起时段而制定的规则例如发起时段在某个时间段的社群话题参与申请可以认为是目标社群话题参与申请。可以理解，目标社群话题参与申请是人工智能服务器初步判定出的可能为存在风险的社群话题参与申请，进一步地，人工智能服务器可以通过后续的分析过程判定目标社群话题参与申请是否为存在风险的话题参与申请。
25.step12，基于所述当前话题互动日志生成当前社交情况分类信息，并对所述当前社交情况分类信息进行话题倾向识别，以得到当前话题倾向信息，其中，所述当前话题倾向
信息包括所述当前话题互动日志中的话题参与倾向和话题应答倾向。
26.在本技术实施例中，当前社交情况分类信息可以用于对不同的互动状态进行分类，比如可以进行单端、多端话题处理的互动状态的分类，还可以进行单端、多端话题数据修改的互动状态的分类，在此不作限定。话题倾向信息用于表征不同在线社交客户端在话题互动时的需求信息，话题参与倾向可以理解为存在参与申请行为的在线社交客户端在交互过程中的需求，话题应答倾向可以理解为存在响应行为的在线社交客户端在交互过程中的需求。例如，话题参与倾向可以是“在线社交客户端client
‑
a想从在线社交客户端client
‑
b中获取xxx话题内容”，话题应答倾向可以是“在线社交客户端client
‑
b想从在线社交客户端client
‑
a中获取yyy话题视频”。如此设计，通过进行话题倾向识别，能够挖掘出话题参与倾向和话题应答倾向，进而为后续分析目标话题参与应答反馈和目标社群话题参与申请的话题倾向提供充足的分析基础。
27.进一步地，step12可以通过以下step121
‑
step124所描述的内容实现。
28.step121，按照预设话题事件分组记录对所述当前话题互动日志进行处理，得到当前社交情况分类信息。例如，预设话题事件分组记录可以是预先根据存在会话信息丢失的社交话题互动事件而确定的。
29.step122，对所述当前社交情况分类信息进行申请标签识别，得到所述当前社交情况分类信息中的当前话题互动消息，其中，所述当前话题互动消息包括目标社群话题参与申请和目标话题参与应答反馈。例如，申请标签可以是数字签名或者其他认证签名。
30.step123，获取所述当前话题互动消息在所述当前社交情况分类信息中的话题倾向，得到当前互动状态话题倾向。
31.step124，基于所述预设话题事件分组记录将所述当前互动状态话题倾向映射到所述当前话题互动日志中，得到当前话题倾向信息。
32.如此设计，通过实施上述step121
‑
step124，能够准确地确定出当前话题倾向信息。
33.在一些示例中，所述预设话题事件分组记录包括当前分组记录和历史分组记录，所述当前话题互动日志包括社区团购运营日志，基于此，step121进一步可以包括以下内容：将所述当前话题互动日志按照当前分组记录进行分解，得到当前分解结果；将所述当前话题互动日志按照历史分组记录进行分解，得到历史分解结果；基于所述社区团购运营日志和所述当前分解结果对所述历史分解结果进行全局化处理，得到多组全局化处理结果；确定出所述多组全局化处理结果中包含所述社区团购运营日志的至少一组目标全局化处理结果，并将所述至少一组目标全局化处理结果与所述当前分解结果进行映射，得到当前社交情况分类信息。如此设计，通过将运营日志进行分解和全局化处理，能够削弱不同运营日志之间的互相影响，并精准地确定不同运营日志之间的话题关联性，这样可以确保当前社交情况分类信息的完整性。
34.在另一些示例中，所述当前互动状态话题倾向包括当前社交情况分类信息中的话题参与倾向和话题应答倾向，基于此，step124进一步可以包括以下内容：基于所述当前社交情况分类信息中的话题参与倾向和所述当前分组记录，得到当前话题互动日志中的话题参与倾向；基于所述当前社交情况分类信息中的话题应答倾向和所述历史分组记录，得到当前话题互动日志中的话题应答倾向，话题参与倾向和话题应答倾向组成当前话题倾向信
息。如此设计，能够考虑分组记录在不同时段之间的差异，从而确保当前话题倾向信息的实时性。
35.step13，基于所述历史话题互动日志生成历史社交情况分类信息，并对所述历史社交情况分类信息进行话题倾向识别，以得到历史话题倾向信息，其中，所述历史话题倾向信息包括所述历史话题互动日志中的话题参与倾向和话题应答倾向。
36.可以理解，关于step13的进一步实施方式可以参阅对step12的说明，因此在此不作赘述。
37.step14，对所述当前话题倾向信息和所述历史话题倾向信息进行分析，得到目标话题参与应答反馈和目标社群话题参与申请的双向行为检测结果；将所述双向行为检测结果与预设异常话题警示结果进行比对，并在所述双向行为检测结果满足所述预设异常话题警示结果所对应分析条件时，判定所述目标社群话题参与申请在当前话题互动时段为存在风险的话题参与申请。
38.在本技术实施例中，在对所述当前话题倾向信息和所述历史话题倾向信息进行分析时，可以根据不同的话题参与应答反馈以及不同的社群话题参与申请确定出目标话题参与应答反馈和目标社群话题参与申请的双向行为检测结果，双向行为检测结果用于表征目标话题参与应答反馈和目标社群话题参与申请之间的话题互动是不是正常的。总结起来，所述双向行为检测结果包括目标社群话题参与申请与目标话题参与应答反馈之间的话题配对情况、目标话题参与应答反馈的话题消息验证数据及目标社群话题参与申请的话题消息验证数据。基于此，对所述当前话题倾向信息和所述历史话题倾向信息进行分析，得到目标话题参与应答反馈和目标社群话题参与申请的双向行为检测结果进一步可以包括以下step141
‑
step143所描述的内容。
39.step141，对所述历史话题互动日志中的话题参与倾向和话题应答倾向进行分析，得到目标社群话题参与申请与目标话题参与应答反馈之间的话题配对情况。
40.step142，对所述当前话题互动日志中的话题应答倾向和所述历史话题互动日志中的话题应答倾向进行分析，得到目标话题参与应答反馈的话题消息验证数据。
41.step143，对所述当前话题互动日志中的话题参与倾向和所述历史话题互动日志中的话题参与倾向进行分析，得到目标社群话题参与申请的话题消息验证数据。
42.如此一来，通过上述step141
‑
step143，能分别确定出目标社群话题参与申请与目标话题参与应答反馈之间的话题配对情况、目标话题参与应答反馈的话题消息验证数据以及目标社群话题参与申请的话题消息验证数据，这样能够为后续的异常话题参与申请判定提供充足的分析基础。
43.在进一步的实施例中，为了便于对双向行为检测结果中的各个部分进行说明，下面分别阐述目标社群话题参与申请与目标话题参与应答反馈之间的话题配对情况、目标话题参与应答反馈的话题消息验证数据以及目标社群话题参与申请的话题消息验证数据的确定过程。
44.首先，是目标社群话题参与申请与目标话题参与应答反馈之间的话题配对情况，该话题配对情况用于表征目标社群话题参与申请与目标话题参与应答反馈之间是否处于一个正常的互动状态下，以社区团购话题为例，如果话题配对情况表征目标社群话题参与申请的参与倾向异常强烈，则可以判定目标社群话题参与申请与目标话题参与应答反馈之
间可能不是处于正常的互动状态下（也即目标社群话题参与申请对应的在线社交客户端可能想快速建立会话链接而盗取数据信息），为此，为了准确地确定出话题配对情况，可以通过以下方式实现：获取所述历史话题互动日志的目标关键词核对信息；根据所述话题参与倾向以及所述话题应答倾向，对所述目标关键词核对信息中的多个日志关键词分别进行第一会话倾向分析和第二会话倾向分析，得到第一倾向识别结果和第二倾向识别结果；通过第一深度学习神经网络，对所述第一倾向识别结果进行话题行为偏好提取处理，得到包括有第一会话倾向的行为关键词校验结果；通过第二深度学习神经网络，对所述第二倾向识别结果进行衍生行为偏好提取，得到包括有第二会话倾向的潜在关键词校验结果；基于所述行为关键词校验结果和所述潜在关键词校验结果进行目标社群话题参与申请与目标话题参与应答反馈的会话倾向配对，得到所述目标关键词核对信息中与目标会话倾向相匹配的话题配对情况；所述目标会话倾向包括第一会话倾向和第二会话倾向中的至少一种，所述话题配对情况用于对目标社群话题参与申请与目标话题参与应答反馈之间的会话安全性进行检测。
45.在上述实施例中，关键词核对信息可以是不同在线社交客户端在进行交互时进行有效身份核验的其中一种方式，第一深度学习神经网络和第二深度学习神经网络可以是预先训练好的卷积神经网络。可以理解，通过上述内容可以发现，话题配对情况可以用于对目标社群话题参与申请与目标话题参与应答反馈之间的会话安全性进行检测，且话题配对情况能够与话题行为偏好和衍生行为偏好相对应，这样一来，能够基于多个倾向类型确定话题配对情况，从而准确地确定出话题配对情况。
46.在上述内容的基础上，所述对所述目标关键词核对信息中的多个日志关键词分别进行第一会话倾向分析和第二会话倾向分析，得到第一倾向识别结果和第二倾向识别结果，包括：对所述目标关键词核对信息中的多个日志关键词分别进行第一会话倾向分析，得到各个日志关键词中的第一会话倾向标签、以及各第一会话倾向标签所对应的初始局部倾向类型；基于各日志关键词中的第一会话倾向标签和相应的初始局部倾向类型，确定第一倾向识别结果；对所述目标关键词核对信息中的多个日志关键词分别进行第二会话倾向分析，得到第二倾向识别结果。
47.例如，第一会话倾向标签用于区分不同的会话倾向，标签可以是文字标签如“数据获取”、“数据挖掘”、“用户画像分析”、“数据窃取”等。而初始局部倾向类型则可以包括“正常话题参与申请”、“异常话题参与申请”、“待检测话题参与申请”等。
48.在上述内容的基础上，所述对所述目标关键词核对信息中的多个日志关键词分别进行第二会话倾向分析，得到第二倾向识别结果，包括：对所述目标日志关键词中的多个日志关键词分别进行延时会话描述分析，得到各日志关键词分别对应的延时会话描述标签；对所述目标日志关键词中的多个日志关键词分别进行话题检测条件识别，得到各日志关键词分别对应的检测条件识别结果；将对应于相同会话主题的延时会话描述标签和检测条件识别结果进行相关联；基于所述目标日志关键词中与目标延时会话描述标签相相关联的检测条件识别结果进行第二会话倾向分析处理，得到第二倾向识别结果。在本技术实施例中，检测条件识别结果用于表征各日志关键词的信息安全性，通过将对应于相同会话主题的延时会话描述标签和检测条件识别结果进行相关联能够将各日志关键词本身的信息安全性考虑在内，从而确保第二倾向识别结果在时序层面的准确性，避免因会话倾向延时而产生
分析结果的偏差。
49.在上述内容的基础上，所述通过第一深度学习神经网络，对所述第一倾向识别结果进行话题行为偏好提取处理，得到包括有第一会话倾向的行为关键词校验结果，包括：对所述第一倾向识别结果中的每个日志关键词分别进行倾向类型配对，得到每个日志关键词各自对应的不重复局部倾向类型；基于每个日志关键词中与相应不重复局部倾向类型对应的第一会话倾向标签的标签分组情况，分别进行标签清洗操作，得到更新后的第一倾向识别结果；对所述更新后的第一倾向识别结果进行阶段性清洗操作，得到多个包括有第一会话倾向的第一待定关键词核对信息序列；根据各所述第一待定关键词核对信息序列分别所属的实时话题类别，对属于相同实时话题类别的第一待定关键词核对信息序列进行核对信息校正，得到包括有第一会话倾向的行为关键词校验结果。其中，阶段性清洗操作的清洗次数可以根据更新后的第一倾向识别结果中的偏差标签的数量进行调整，例如，偏差标签的数量越多，清洗次数越多。通过对属于相同实时话题类别的第一待定关键词核对信息序列进行核对信息校正能够确保行为关键词校验结果与实际的社交话题互动状态相适配，从而确保行为关键词校验结果与实际话题环境的高相关性。
50.其次，关于目标话题参与应答反馈的话题消息验证数据的详细确定方式如下：获取所述目标话题参与应答反馈的目标反馈内容项目中至少一个反馈内容集的项目单元更新情况，所述目标反馈内容项目为存在更新异常反馈内容集的多端反馈内容项目；根据所述当前话题互动日志中的话题应答倾向和所述历史话题互动日志中的话题应答倾向，确定所述至少一个反馈内容集分别对应的至少一个当前反馈内容倾向和至少一个历史反馈内容倾向；基于所述至少一个反馈内容集、所述至少一个当前反馈内容倾向以及所述至少一个历史反馈内容倾向的项目单元更新情况，提取所述至少一个反馈内容集的项目单元更新情况中具有动态校验状态的目标项目单元；利用反馈内容集挖掘网络对提取到的所述目标项目单元进行基于滑动平均的倾向挖掘处理，以得到所述至少一个反馈内容集的至少一个互动倾向挖掘结果，通过所述至少一个互动倾向挖掘结果确定所述目标话题参与应答反馈的话题消息验证数据。
51.其中，项目单元可以是反馈内容集中的单一消息，例如反馈内容集为{1，2，3，4，5，6}，那么项目单元可以是1（请求获取对手方在线社交客户端的签名认证信息），也可以是5（请求获取对手方在线社交客户端的已公开的话题互动信息），在此不作限定。此外，反馈内容集挖掘网络同样可以是卷积神经网络，如此一来，通过对不同的反馈内容集进行分析并得到互动倾向挖掘结果，可以通过互动倾向挖掘结果准确确定目标话题参与应答反馈的话题消息验证数据。
52.在上述内容的基础上，所述基于所述至少一个反馈内容集、所述至少一个当前反馈内容倾向以及所述至少一个历史反馈内容倾向的项目单元更新情况，提取所述至少一个反馈内容集的项目单元更新情况中具有动态校验状态的目标项目单元包括：对于所述至少一个反馈内容集中任一反馈内容集，基于所述反馈内容集、所述反馈内容集对应的当前反馈内容倾向以及所述反馈内容集对应的历史反馈内容倾向的项目单元更新情况，提取所述反馈内容集的项目单元更新情况中具有动态校验状态的目标项目单元。其中，动态校验状态可以理解为校验状态的时效性较低，比如在当前时刻t1的校验状态为通过，在后一时刻t2的校验状态变为待校验。
53.在上述内容的基础上，所述基于所述反馈内容集、所述反馈内容集对应的当前反馈内容倾向以及所述反馈内容集对应的历史反馈内容倾向的项目单元更新情况，提取所述反馈内容集的项目单元更新情况中具有动态校验状态的目标项目单元包括：基于所述反馈内容集、所述当前反馈内容倾向以及所述历史反馈内容倾向的项目单元更新情况，生成所述反馈内容集的全局目标项目单元；基于所述反馈内容集、所述当前反馈内容倾向、所述历史反馈内容倾向以及所述反馈内容集的至少一个关联内容集的项目单元更新情况，生成所述反馈内容集与所述至少一个关联内容集之间的至少一个局部目标项目单元；基于所述全局目标项目单元和所述至少一个局部目标项目单元，获取所述反馈内容集的项目单元更新情况中具有动态校验状态的目标项目单元。其中，全局目标项目单元和局部目标项目单元能够从时序上反应项目单元之间的差异，这样能够确保获取到的具有动态校验状态的目标项目单元的认证持续时效尽可能低，进而提高后续的异常话题参与申请判断的精度。
54.在step14中，双向行为检测结果包括三部分内容，那么在进行比对时，需要考虑上述三部分内容之间的关联性和传递性，为此，step14所描述的将所述双向行为检测结果与预设异常话题警示结果进行比对，并在所述双向行为检测结果满足所述预设异常话题警示结果所对应分析条件时，判定所述目标社群话题参与申请在当前话题互动时段为存在风险的话题参与申请，可以通过以下三个步骤（1）
‑
（3）实现。
55.（1）获取所述话题配对情况中的每个话题比对条目的比对判定指示，并根据比对判定指示对所述话题比对条目按条目类别进行差异化处理；根据所述比对判定指示得到所述话题配对情况中的每个条目类别的话题比对条目的条目类别关注度的量化汇总数据和条目相关度的量化汇总数据；根据所述话题比对条目关注度量化汇总数据和条目相关度的量化汇总数据，得到所述话题配对情况和设定配对情况的比对结果；其中，所述根据所述比对判定指示得到话题配对情况中的每个条目类别的话题比对条目的条目类别关注度的量化汇总数据和条目相关度的量化汇总数据，包括：根据所述比对判定指示得到所述话题配对情况中的每个条目类别的话题比对条目在所述话题配对情况内的话题干扰性检测信息；根据每个条目类别的所述话题比对条目在所述话题配对情况内的话题干扰性检测信息得到话题比对条目的条目类别关注度信息，作为所述条目类别关注度的量化汇总数据；根据所述比对判定指示得到每个所述话题比对条目与话题配对情况内的各个预设话题条目的指定相关系数；根据所述指定相关系数得到每个条目类别的所述话题比对条目在所述话题配对情况内的条目相关度分析结果，作为所述条目相关度的量化汇总数据。
56.对于步骤（1），在确定所述话题配对情况和设定配对情况的比对结果时，能够考虑话题条目的条目关注度，从而确保得到的比对结果尽可能地与热门话题条目相关，这样可以提高后续的判断置信度。指定相关系数（皮尔森相关性系数）的计算过程可以参考现有的专利文件，在此不作赘述。
57.（2）在所述比对结果表征所述话题配对情况存在配对异常时，确定所述目标话题参与应答反馈的话题消息验证数据的消息验证置信度，在所述消息验证置信度小于第一设定置信度时，确定所述目标话题参与应答反馈在当前话题互动时段为存在风险的话题参与申请。例如，第一设定置信度可以根据当前话题互动时段的相对时序重要性设置，例如，当前话题互动时段为本月内，目标话题参与应答反馈的发起时段为月中，那么相对时序重要性可以为0.5，进一步地，第一设定置信度可以是基准置信度*0.5。
58.进一步地，关于（2）的描述，可以通过以下方式实现：在所述比对结果表征所述话题配对情况存在配对异常时，获取所述目标话题参与应答反馈的话题消息验证数据的验证内容校正日志以及各验证数据块；在根据所述验证内容校正日志确定出所述目标话题参与应答反馈的话题消息验证数据中包含有验证数据分组标签的情况下，根据所述目标话题参与应答反馈的话题消息验证数据的验证数据分组标签下的验证数据块及其数据块序号，确定目标话题参与应答反馈的话题消息验证数据的显性验证标识下的各验证数据块与目标话题参与应答反馈的话题消息验证数据的验证数据分组标签下的各验证数据块之间的数据块融合结果，并将目标话题参与应答反馈的话题消息验证数据的显性验证标识下的与验证数据分组标签下的验证数据块相对应的验证数据块调整到相应的验证数据分组标签下；在目标话题参与应答反馈的话题消息验证数据的当前显性验证标识下包含有多个验证数据块的情况下，根据所述目标话题参与应答反馈的话题消息验证数据的验证数据分组标签下的验证数据块及其数据块序号确定目标话题参与应答反馈的话题消息验证数据的当前显性验证标识下的各验证数据块之间的数据块融合结果，并根据所述各验证数据块之间的数据块融合结果对当前显性验证标识下的各验证数据块进行数据块融合；根据所述目标话题参与应答反馈的话题消息验证数据的验证数据分组标签下的验证数据块及其数据块序号为上述数据块融合获得的每个待拼接数据块添加数据块优化等级，并按照所述数据块优化等级将至少部分所述待拼接数据块调整到所述数据块优化等级所表示的验证数据分组标签下；根据所述验证数据分组标签下的验证数据块之间的整体性认证结果确定所述目标话题参与应答反馈的话题消息验证数据的响应认证置信度；在所述响应认证置信度小于第一设定置信度时，确定所述目标社群话题参与申请在当前话题互动时段为存在风险的话题参与申请。
59.可以理解，上述方式通过对各验证数据块在不同标识下进行二次调整和分配，从而准确确定目标话题参与应答反馈的话题消息验证数据的响应认证置信度。
60.（3）在所述比对结果表征所述话题配对情况未存在配对异常时，确定所述目标社群话题参与申请的话题消息验证数据的消息验证置信度，在所述消息验证置信度小于第二设定置信度时，确定所述目标社群话题参与申请在当前话题互动时段为存在风险的话题参与申请。可以理解，对于目标社群话题参与申请而言第二设定置信度对应的相对时序重要性可以与第一设定置信度对应的相对时序重要性不同，例如，若目标社群话题参与申请的发起时段为月中，那么相对时序重要性可以为0.7，则第二设定置信度可以是基准置信度*0.7。
61.可以理解，关于（3）的进一步说明可以参阅对（2）的进一步说明，在此不作赘述。
62.对于（2）和（3）而言，基准置信度可以根据实际的异常话题参与申请判定记录进行设置，如果异常话题参与申请判定记录中的异常话题参与申请判定结果较多，那么基准置信度可以设置来相对较高。
63.如此一来，通过上述步骤（1）
‑
（3），能够考虑上述三部分内容之间的关联性和传递性，从而准确可靠地确定出存在风险的话题参与申请，避免误判或者漏判。
64.在一种可替换的实施例中，在判定出所述目标社群话题参与申请在当前话题互动时段为存在风险的话题参与申请之后，上述方法还可以包括以下step15所描述的内容。
65.step15，拦截所述目标社群话题参与申请，对所述目标社群话题参与申请进行风
险倾向分析，得到所述目标社群话题参与申请对应的风险倾向解析结果，根据所述风险倾向解析结果生成警示消息并将所述警示消息下发至与所述目标社群话题参与申请存在关联的目标在线社交客户端。如此设计，能够在确定出目标社群话题参与申请在当前话题互动时段为存在风险的话题参与申请时，及时通知相关的目标在线社交客户端进行防范，从而避免目标在线社交客户端主动与目标社群话题参与申请对应的在线社交客户端会话而出现社交安全风险。
66.在一种可替换的实施例中，step15所描述的对所述目标社群话题参与申请进行风险倾向分析，得到所述目标社群话题参与申请对应的风险倾向解析结果，可以包括以下step151
‑
step154所描述的内容。
67.step151，提取所述目标社群话题参与申请中的目标成员标签信息，根据所述目标成员标签信息确定全局倾向特征描述对应的第一资源内容集以及局部倾向特征描述对应的第二资源内容集，并统计所述第一资源内容集和所述第二资源内容集中分别包括的多个具有不同资源使用关注度的资源信息；提取所述全局倾向特征描述在所述第一资源内容集的任一资源信息的原始资源倾向描述，将所述第二资源内容集中具有最小资源使用关注度的资源信息确定为目标资源信息。
68.step152，根据所述目标社群话题参与申请在所述当前话题互动时段中的累积申请次数将所述原始资源倾向描述加载到所述目标资源信息中，以在所述目标资源信息中得到社交话题互动倾向描述，并根据所述原始资源倾向描述、所述社交话题互动倾向描述，生成所述全局倾向特征描述和所述局部倾向特征描述之间的特征描述关联结果。
69.step153，以所述社交话题互动倾向描述为倾向识别参考在所述目标资源信息中挖掘待处理倾向描述，根据所述特征描述关联结果对应的多个特征描述关联路径，将所述待处理倾向描述加载到所述原始资源倾向描述所在资源信息，在所述原始资源倾向描述所在资源信息中得到所述待处理倾向描述对应的异常倾向描述，根据所述异常倾向描述得到所述目标社群话题参与申请对应的风险倾向解析结果。在本技术实施例中，风险倾向解析结果包括社交用户信息盗取倾向和社交用户信息篡改倾向等，在此不作限定。
70.综上所述，通过实施上述step11
‑
step15所描述的内容，通过对目标话题参与应答反馈和目标社群话题参与申请进行话题倾向识别，能够得到当前话题倾向信息以及历史话题倾向信息，进而确定出目标话题参与应答反馈和目标社群话题参与申请的双向行为检测结果。这样可以根据双向行为检测结果与预设异常话题警示结果对目标社群话题参与申请在当前话题互动时段是否为存在风险的话题参与申请进行准确及时地判定。如此，在目标话题参与应答反馈和目标社群话题参与申请对应的在线社交客户端进行社交话题互动之前能识别出存在风险的话题参与申请，从而及时响应对应的社交安防策略，在一定程度上削弱或消除存在风险的话题参与申请对在线社交网络造成的负面影响。
71.其次，针对上述结合深度学习的在线社交信息处理方法，本发明实施例还提出了一种示例性的结合深度学习的在线社交信息处理装置，如图2所示，结合深度学习的在线社交信息处理装置200可以包括以下的功能模块。
72.话题日志获取模块210，用于当检测到有社群话题参与申请加载到当前待进行处理的社交参与申请序列中时，获取当前话题互动日志和历史话题互动日志，其中，所述当前话题互动日志和所述历史话题互动日志皆包含目标话题参与应答反馈和目标社群话题参
与申请。
73.第一倾向检测模块220，用于基于所述当前话题互动日志生成当前社交情况分类信息，并对所述当前社交情况分类信息进行话题倾向识别，以得到当前话题倾向信息，其中，所述当前话题倾向信息包括所述当前话题互动日志中的话题参与倾向和话题应答倾向。
74.第二倾向检测模块230，用于基于所述历史话题互动日志生成历史社交情况分类信息，并对所述历史社交情况分类信息进行话题倾向识别，以得到历史话题倾向信息，其中，所述历史话题倾向信息包括所述历史话题互动日志中的话题参与倾向和话题应答倾向。
75.参与申请分析模块240，用于对所述当前话题倾向信息和所述历史话题倾向信息进行分析，得到目标话题参与应答反馈和目标社群话题参与申请的双向行为检测结果；将所述双向行为检测结果与预设异常话题警示结果进行比对，并在所述双向行为检测结果满足所述预设异常话题警示结果所对应分析条件时，判定所述目标社群话题参与申请在当前话题互动时段为存在风险的话题参与申请。
76.然后，基于上述的方法实施例和装置实施例，本发明实施例还提出了一种系统实施例，也即结合深度学习的在线社交信息处理系统，请结合参阅图3，结合深度学习的在线社交信息处理系统30可以包括人工智能服务器10和在线社交客户端20。其中，人工智能服务器10和在线社交客户端20通信用以实施上述方法，进一步地，结合深度学习的在线社交信息处理系统30的功能性描述如下。
77.一种结合深度学习的在线社交信息处理系统，包括互相之间通信的人工智能服务器和在线社交客户端；其中，所述人工智能服务器用于获取所述在线社交客户端的社群话题参与申请和话题参与应答反馈，所述人工智能服务器还用于：当检测到有社群话题参与申请加载到当前待进行处理的社交参与申请序列中时，获取当前话题互动日志和历史话题互动日志，其中，所述当前话题互动日志和所述历史话题互动日志皆包含目标话题参与应答反馈和目标社群话题参与申请；基于所述当前话题互动日志生成当前社交情况分类信息，并对所述当前社交情况分类信息进行话题倾向识别，以得到当前话题倾向信息，其中，所述当前话题倾向信息包括所述当前话题互动日志中的话题参与倾向和话题应答倾向；基于所述历史话题互动日志生成历史社交情况分类信息，并对所述历史社交情况分类信息进行话题倾向识别，以得到历史话题倾向信息，其中，所述历史话题倾向信息包括所述历史话题互动日志中的话题参与倾向和话题应答倾向；对所述当前话题倾向信息和所述历史话题倾向信息进行分析，得到目标话题参与应答反馈和目标社群话题参与申请的双向行为检测结果；将所述双向行为检测结果与预设异常话题警示结果进行比对，并在所述双向行为检测结果满足所述预设异常话题警示结果所对应分析条件时，判定所述目标社群话题参与申请在当前话题互动时段为存在风险的话题参与申请。
78.进一步地，请结合参阅图4，人工智能服务器10可以包括处理引擎110、网络模块120和存储器130，处理引擎110和存储器130通过网络模块120通信。
79.处理引擎110可以处理相关的信息和/或数据以执行本技术中描述的一个或多个
功能。例如，在一些实施例中，处理引擎110可以包括至少一个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎110可以包括中央处理单元(central processing unit，cpu)、专用集成电路(application
‑
specific integrated circuit，asic)、专用指令集处理器(application
‑
specific instruction
‑
set processor，asip)、图形处理单元(graphics processing unit，gpu)、物理处理单元(physics processing unit，ppu)、数字信号处理器(digital signal processor，dsp)、现场可编程门阵列(field programmable gate array，fpga)、可编程逻辑器件(programmable logic device，pld)、控制器、微控制器单元、精简指令集计算机(reduced instruction
‑
set computer，risc)、微处理器等或其任意组合。
80.网络模块120可以促进信息和/或数据的交换。在一些实施例中，网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(local area network，lan)、广域网(wide area network，wan)、无线局域网络(wireless local area network，wlan)、城域网(metropolitan area network，man)、公用电话交换网(public telephone switched network，pstn)、蓝牙网络、无线个域网络、近场通讯(near field communication，nfc)网络等或上述举例的任意组合。在一些实施例中，网络模块120可以包括至少一个网络接入点。例如，网络模块120可以包括有线或无线网路接入点，如基站和/或网路接入点。
81.存储器130可以是，但不限于，随机存取存储器（random access memory，ram），只读存储器（read only memory，rom），可编程只读存储器（programmable read
‑
only memory，prom），可擦除只读存储器（erasable programmable read
‑
only memory，eprom），电可擦除只读存储器（electric erasable programmable read
‑
only memory，eeprom）等。其中，存储器130用于存储程序，所述处理引擎110在接收到执行指令后，执行所述程序。
82.可以理解，图4所示的结构仅为示意，人工智能服务器10还可包括比图2中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。
83.本发明实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解，本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本技术所记载的内容进行的，因此上述内容并不是对整体方案的创造性的评判。
84.应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd
‑
rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本技术的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
85.本技术实施例可能带来的有益效果包括但不限于：（1）通过进行话题倾向识别，能
够挖掘出话题参与倾向和话题应答倾向，进而为后续分析目标话题参与应答反馈和目标社群话题参与申请的话题倾向提供充足的分析基础，（2）通过将运营日志进行分解和全局化处理，能够削弱不同运营日志之间的互相影响，并精准地确定不同运营日志之间的话题关联性，这样可以确保当前社交情况分类信息的完整性，（3）能分别确定出目标社群话题参与申请与目标话题参与应答反馈之间的话题配对情况、目标话题参与应答反馈的话题消息验证数据以及目标社群话题参与申请的话题消息验证数据，这样能够为后续的异常话题参与申请判定提供充足的分析基础，（4）在确定所述话题配对情况和设定配对情况的比对结果时，能够考虑话题条目的条目关注度，从而确保得到的比对结果尽可能地与热门话题条目相关，这样可以提高后续的判断置信度，（5）能够在确定出目标社群话题参与申请在当前话题互动时段为存在风险的话题参与申请时，及时通知相关的目标在线社交客户端进行防范，从而避免目标在线社交客户端主动与目标社群话题参与申请对应的在线社交客户端会话而出现社交安全风险，（6）在目标话题参与应答反馈和目标社群话题参与申请对应的在线社交客户端进行社交话题互动之前能识别出存在风险的话题参与申请，从而及时响应对应的社交安防策略，在一定程度上削弱或消除存在风险的话题参与申请对在线社交网络造成的负面影响。
86.需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
87.上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不组成对本技术的限定。虽然此处并没有明确说明，本领域技术人员可能会对本技术进行各种修改、改进和修正。该类修改、改进和修正在本技术中被建议，所以该类修改、改进、修正仍属于本技术示范实施例的精神和范围。
88.最后，应当理解的是，本技术中所述实施例仅用以说明本技术实施例的原则。其他的变形也可能属于本技术的范围。因此，作为示例而非限制，本技术实施例的替代配置可视为与本技术的教导一致。相应地，本技术的实施例不仅限于本技术明确介绍和描述的实施例。